基于季节性监测数据使用多层感知器人工神经网络估算城市垃圾填埋场渗滤液的化学需氧量

为什么填埋场积水很重要

每个现代城市都依赖填埋场把垃圾遮掩起来，但雨水渗透过掩埋的废物会形成一种强烈的化学混合物——渗滤液。如果不加以控制，这种液体会污染土壤和水体。这里描述的研究展示了一类受大脑工作方式启发的计算模型，如何在无需每次都做昂贵实验室检测的情况下预测渗滤液的污染程度。这一知识可以帮助社区更安全地管理废弃场并降低监测成本。

我们垃圾下方的隐秘水体

当雨水落在填埋场上时，会渗过层层的食物残渣、纸张、塑料和其他废物。沿途它会带走溶解的有机物、油脂、盐分以及砷、钴、镉等重金属的痕量。结果就是渗滤液，一种颜色深且常有异味的液体，必须被收集并处理。衡量这种液体污染程度的一个关键指标是化学需氧量（COD）。简单来说，COD 表示分解水中所有化学品和有机物需要消耗多少氧；COD 高意味着污染强、潜在危害大。

跨季节监测填埋场

研究人员的关注点是一处位于土耳其中部半干旱地区尼德（Niğde）的城市填埋场。在从 2022 年末到 2023 年末的一整年里，他们每周从收集填埋场液体的渗滤池取样。他们测量了渗滤液及其环境的九项基础特征：温度、pH（酸碱度）、总固体、油和油脂、电导率（表示咸度）、以及砷、钴、镉的含量，外加 COD。COD 值极高——平均约为该国排放限值的 35 倍——这证实未经处理的填埋场渗滤液可能是非常强的污染源。

将众多测量化为少数有效信号

由于完整的实验室检测既昂贵又耗时，团队探讨能否用其它更易测的特征来预测 COD。首先他们使用了一种叫主成分分析（PCA）的统计工具。该方法不是单独看每个变量，而是寻找模式——即那些倾向于一同上升或下降的测量组合。它帮助凸显出哪些因素携带了关于渗滤液行为的最多信息：温度、pH、油脂和某些金属脱颖而出。通过将输入减少到仅保留最有信息量的变量，研究者希望构建更简单、更快速但仍能抓住要点的模型。

教一台数字“脑”解读渗滤液

研究的核心是多层感知器，这是一类人工神经网络。这种数字“脑”通过示范学习：把测得的输入（如 pH 或温度）与实际的 COD 值配对呈现给它。由 52 个每周样本组成的数据集按季节分为训练集和测试集，以便让模型面对未见过的条件。团队尝试了四种模型设计，每种使用不同的输入组合，并依靠重复交叉验证——即在多种不同数据划分上训练和测试模型——以避免被偶然的巧合误导。表现最佳的模型仅使用了从先前模式分析中挑出的五个变量，结构为一个输入层、一个含 21 个节点的隐藏层和一个输出节点。

模型能告诉我们的事

当该最佳模型在从未见过的数据上进行测试时，预测的 COD 值与实际测量结果高度一致，相关系数为 0.864。这意味着模型捕捉到了填埋场跨季节污染水平的大部分涨落，尽管样本总数有限。仍存在一些误差，尤其是在较低 COD 水平时，但总体表现表明少量常规测量可以可靠地替代全面的化学检测。对于填埋场运营方和监管者而言，这种方法提供了一种在节省时间与成本的同时监控危险液体的实用方式。

为脏问题提供更清洁的监管

本质上，这项工作表明，智能数据分析和机器学习可以把一个复杂且昂贵的检测问题变得可管理。通过对一年的季节性监测数据训练神经网络，研究者构建了一个能够用一小组更简单检测估算填埋场渗滤液污染程度的工具。这并不能取代处理或详细检测，但为决策者提供了更快的预警系统和更高效的规划手段。随着类似模型被进一步改进并输入更多数据，它们有望成为确保垃圾下方液体受控并远离水体的标准工具。

引用: Gök, G., Gürbüz, O.Ö. & Gürbüz, O.A. Estimating chemical oxygen demand in municipal landfill leachate using multilayer perceptron artificial neural networks based on seasonal monitoring data. Sci Rep 16, 7096 (2026). https://doi.org/10.1038/s41598-026-37497-9

关键词: 垃圾填埋场渗滤液, 水污染, 人工神经网络, 废物管理, 化学需氧量